1.文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
2.[时空序列与量化交易] 使用convLSTM进行量化交易建模(附源码)
3.量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解
4.手把手教你搭建自己的量化量化量化分析数据库
5.TFlite 源码分析(一) 转换与量化
6.tushare/米筐/akshare 以pandas为工具的金融量化分析入门级教程（附python源码）
文华财经软件指标公式赢顺云指标公式启航DK捕猎者智能量化系统指标源码
在技术分析领域，文华财经软件中的软件软件指标公式提供了多种量化分析工具，帮助投资者在交易决策中获取优势。源码源码以下是搭建搭建一个具体示例，展示了如何构建一个智能量化系统指标源码，法方法以实现自动化交易策略。量化量化jetbrain源码
这个指标源码首先通过MA（移动平均）函数计算不同周期的软件软件移动平均线，包括日、源码源码日、搭建搭建日、法方法日和日的量化量化移动平均线。这些平均线被视为价格趋势的软件软件重要指示器，帮助交易者识别市场方向。源码源码MA5、搭建搭建MA、法方法MA、MA、MA和MA分别代表了5日、日、日、日、日和日的简单移动平均线。
接着，通过RSV（相对强弱指数）计算公式，评估价格变动的相对强弱。RSV=(C-LLV(L,9))/(HHV(H,9)-LLV(L,9))*，其中C代表收盘价，L代表最低价，H代表最高价。RSV值的计算帮助交易者识别市场的超买或超卖状态。
进一步，通过SMA（简单移动平均）计算K、D和J值，形成KDJ指标，K=3*SMA(RSV,3,1)；D=SMA(K,3,1)；J=3*K-2*D。KDJ指标被广泛应用于判断市场趋势和拐点，为交易者提供买入或卖出信号。
最后，通过逻辑判断和条件计算，系统能够自动识别特定的交易信号。例如，当J值穿越一个预先设定的临界值（例如J<），同时满足X和Y的条件时（X=LLV(J,2)=LLV(J,8)且Y=IF(CROSS(J,REF(J+0.,1)) AND X AND J<,,0)），系统可能会触发一个买入或卖出信号，牛大亨组件源码以指示交易者采取相应的行动。
通过这样的智能量化系统指标源码，文华财经软件能够为投资者提供高效、自动化的交易策略，帮助其在市场中获取竞争优势。这种自动化的交易策略不仅节省了人力成本，还能够减少主观判断的偏差，提高交易决策的准确性。
[时空序列与量化交易] 使用convLSTM进行量化交易建模(附源码)
本文聚焦于量化交易领域，特别是多股票、多因子背景下应用时间序列分析与空间信息融合的时空建模。本文旨在探索如何通过自定义的股票池、多因子、多时间步长与多通道，预测特定标的（如单个股票或股票池对应的ETF）的时间序列。讨论将涉及量化交易中的几个关键问题，包括时空建模、多空样本不均衡、训练集与验证集的实践、训练过程中的早停策略以及CPU与GPU的并行计算设置。通过论文引用与模型介绍，我们将深入解析卷积循环长短期记忆网络（ConvLSTM）在量化交易中的应用，并提供源码示例。
一、论文与模型简介
本文引用了一篇在Keras上推荐的论文，强调了卷积循环长短期记忆网络（ConvLSTM）在降水预报中的应用。ConvLSTM是一种结合卷积操作与传统循环神经网络（RNN）的模型，能够有效处理空间与时间序列数据，具有在量化交易领域应用的潜力。
二、模型原理与数据流转
在介绍模型原理之前，我们先回顾了传统LSTM的结构与公式，并指出在ConvLSTM中，这些门控单元（Gate）转换为卷积操作，使得模型能够捕获空间与时间序列中的特征。对于数据在模型中的流转，ConvLSTM2D能够处理5D张量，数据维度为（n_samples, n_timesteps, n_indX, n_colX, n_channels），其中n_samples表示时序样本集，n_timesteps表示预测的未来时序样本数量。
三、量化交易建模实践
通过附上的Python包与类名查找，我们介绍了如何设计适用于量化交易的火线精英上色源码ConvLSTM模型结构。模型设计需考虑不同场景，如单股票预测或股票池预测，涉及多对一、多对多问题，以及时间序列预测的具体实现。对于GPU与CPU的并行计算设置，我们提供了Keras multi_gpu_model的使用方法，确保模型训练与实时预测的高效性。
四、训练与测试策略
量化交易建模强调使用未来数据外的回测策略，如timewalk roll，以动态调整训练与验证集的比例。训练过程包括在不同滚动窗口上迭代，以优化模型性能。通过Keras回调函数，实现模型训练、验证与测试的流程管理，确保模型在不同数据集上的表现稳定。
五、多空样本不平衡问题
量化交易中的多空样本不均衡是常见问题，尤其是在时间序列预测中。为解决这一问题，本文介绍了通过调整样本权重，确保模型在多空样本预测上的平衡性能。通过自定义的metric类实现样本权重的传入，以优化模型对不平衡数据集的适应性。
六、总结
通过在多股票对ETF的高频预测与交易中的应用，卷积循环长短期记忆网络（ConvLSTM）展现出了优于无时序建模方法与单纯LSTM模型的性能。本文提供的源码示例与实践指南，为量化交易领域中时空建模的应用提供了全面的参考与支持。
量化投资之工具篇：Backtrader从入门到精通（3）Cerebro代码详解
在深入理解backtrader的工具使用中，Cerebro作为核心控制器，其代码详解至关重要。它负责整个系统的协调和管理，虽然看似复杂，但实质上是将任务分发给其他组件如策略、数据源和分析器。让我们通过源代码解析来逐步揭示其工作原理。
首先，Cerebro的初始化主要设置公共属性，并接受一系列参数，这些参数在元类中统一处理，kaldi 解码源码阅读通过**kwargs传递。初始化过程中，实际上并未做太多工作，而是为后续操作准备了基础结构。
数据源的添加是通过cerebro.adddata方法，它可以处理普通数据和resample/replay数据，这个过程涉及对数据源的筛选和处理后加入到Cerebro的datas列表中。
策略的添加同样简单，只是将策略类及参数存储在strats容器中，策略会在run时实例化。
Cerebro的run函数是整个流程的驱动器，它根据传入的参数，按照时间驱动数据运行，同时协调策略、分析器和观察者等组件协同工作。run函数的代码复杂，但关键在于它如何管理和调度各个组件。
最后，Cerebro通过plot方法实现可视化输出，其自身并不直接进行绘图，而是调用plotter模块来完成。
总的来说，虽然Cerebro的代码看起来复杂，但实际上它的作用是连接各个组件，提供一个框架让策略和数据处理得以高效执行。理解Cerebro的工作原理后，后续理解其他部件如data feeds的运作就更为顺畅了。下文我们将转向数据类的解析，进一步探讨数据的管理与驱动机制。
手把手教你搭建自己的量化分析数据库
量化交易的分析根基在于数据，包括股票历史交易数据、上市公司基本面数据、宏观和行业数据等。面对信息流量的持续增长，掌握如何获取、查询和处理数据信息变得不可或缺。对于涉足量化交易的个体而言，对数据库操作的掌握更是基本技能。目前，MySQL、Postgresql、Mongodb、SQLite等开源数据库因其高使用量和受欢迎程度，bilibili 源码 下载地址位列-年DB-Engines排行榜前十。这几个数据库各有特点和适用场景。本文以Python操作Postgresql数据库为例，借助psycopg2和sqlalchemy实现与pandas dataframe的交互，一步步构建个人量化分析数据库。
首先，安装PostgreSQL。通过其官网下载适合操作系统的版本，按照默认设置完成安装。安装完成后，可以在安装目录中找到pgAdmin4，这是一个图形化工具，用于查看和管理PostgreSQL数据库，其最新版为Web应用程序。
接着，利用Python安装psycopg2和sqlalchemy库。psycopg2是连接PostgreSQL数据库的接口，sqlalchemy则适用于多种数据库，特别是与pandas dataframe的交互更为便捷。通过pip安装这两个库即可。
实践操作中，使用tushare获取股票行情数据并保存至本地PostgreSQL数据库。通过psycopg2和sqlalchemy接口，实现数据的存储和管理。由于数据量庞大，通常分阶段下载，比如先下载特定时间段的数据，后续不断更新。
构建数据查询和可视化函数，用于分析和展示股价变化。比如查询股价日涨幅超过9.5%或跌幅超过-9.5%的个股数据分布，结合选股策略进行数据查询和提取。此外，使用日均线策略，开发数据查询和可视化函数，对选出的股票进行日K线、日均线、成交量、买入和卖出信号的可视化分析。
数据库操作涉及众多内容，本文着重介绍使用Python与PostgreSQL数据库的交互方式，逐步搭建个人量化分析数据库。虽然文中使用的数据量仅为百万条左右，使用Excel的csv文件读写速度较快且直观，但随着数据量的增长，建立完善的量化分析系统时，数据库学习变得尤为重要。重要的是，文中所展示的选股方式和股票代码仅作为示例应用，不构成任何投资建议。
对于Python金融量化感兴趣的读者，可以关注Python金融量化领域，通过知识星球获取更多资源，包括量化投资视频资料、公众号文章源码、量化投资分析框架，与博主直接交流，结识圈内朋友。
TFlite 源码分析(一) 转换与量化
TensorFlow Lite 是 Google 推出的用于设备端推断的开源深度学习框架，其主要目的是将 TensorFlow 模型部署到手机、嵌入式设备或物联网设备上。它由两部分构成：模型转换工具和模型推理引擎。
TFLite 的核心组成部分是转换（Converter）和解析（interpreter）。转换主要负责将模型转换成 TFLite 模型，并完成优化和量化的过程。解析则专注于高效执行推理，在端侧设备上进行计算。
转换部分，主要功能是通过 TFLiteConverter 接口实现。转换过程涉及确定输入数据类型，如是否为 float、int8 或 uint8。优化和转换过程主要通过 Toco 完成，包括导入模型、模型优化、转换以及输出模型。
在导入模型时，`ImportTensorFlowGraphDef` 函数负责确定输入输出节点，并检查所有算子是否支持，同时内联图的节点进行转换。量化过程则涉及计算网络中单层计算的量化公式，通常针对 UINT8（范围为 0-）或 INT8（范围为 -~）。量化功能主要通过 `CheckIsReadyForQuantization`、`Quantize` 等函数实现，确保输入输出节点的最大最小值存在。
输出模型时，根据指定的输出格式（如 TensorFlow 或 TFLite）进行。TFLite 输出主要分为数据保存和创建 TFLite 模型文件两部分。
量化过程分为选择量化参数和计算量化参数两部分。选择量化参数包括为输入和权重选择合适的量化参数，这些参数在 `MakeInitialDequantizeOperator` 中计算。计算参数则使用 `ChooseQuantizationParamsForArrayAndQuantizedDataType` 函数，该函数基于模板类模板实现。
TFLite 支持的量化操作包括 Post-training quantization 方法，实现相关功能的代码位于 `tools\optimize\quantize_model.cc`。
tushare/米筐/akshare 以pandas为工具的金融量化分析入门级教程（附python源码）
安装平台是一个相对简单的过程，因为tushare、米筐和akshare这些平台不需要使用pip install来安装（米筐除外，但不是必需操作）。首先，需要注册账户，尤其是对于学生群体，按照流程申请免费试用资格和一定积分。然后，打开编译器，比如使用anaconda的jupyter。
基本操作中，导入tushare和米筐时，通常使用ts和rq作为别名，这会影响到之后代码的缩写。例如，使用tushare获取数据的方法可以是这样的：
df = pro.monthly(ts_code='.SZ', start_date='', end_date='', fields='ts_code,trade_date,open,high,low,close,vol,amount')
这里，ts_code是要分析的股票代码，start_date和end_date是查询的开始和结束日期，fields参数指定需要获取的数据。tushare和米筐对数据查询有详细的说明和解释。
数据处理是初学者需要重点关注的部分。使用pandas进行数据的保存和处理，是这篇文章的主要内容。推荐查找pandas的详细教程，可以参考官方英文教程或中文翻译版教程，这些教程提供了丰富的学习资源。
在处理数据时，可以使用pandas进行各种操作，如数据存储、读取、筛选、排序和数据合并。例如，存储数据到csv文件的代码为：
df.to_csv("名字.csv",encoding='utf_8_sig')
从csv文件读取数据的代码为：
pd.read_csv("名字.csv")
在数据处理中，可以筛选特定条件下的数据，如选择大于岁的人的代码为：
above_ = df[df["Age"] > ]
同时，可以对数据进行排序、筛选、重命名、删除列或创建新列等操作。合并数据时，可以使用`pd.concat`或`pd.merge`函数，根据数据的结构和需要合并的特定标识符来实现。
这篇文章的目的是通过提供pandas数据处理的典型案例，帮助读者更好地理解和使用tushare平台。对于在校学生来说，tushare提供的免费试用和积分系统是宝贵的资源。在使用过程中遇到问题，可以在评论区留言或分享项目难题，以便进一步讨论和提供解决方案。
再次感谢tushare对大学生的支持和提供的资源。如果觉得文章内容对您有帮助，欢迎点赞以示支持。让我们在金融量化分析的道路上共同成长。
代码编程期货量化交易系统代开发策略（Python天勤）
期货量化服务全新上线！
您是否梦想着将自己的交易策略转化为高效的自动化交易系统？现在，这不再是梦想，我们的服务让每一个交易者都能做到。借助流行的金融编程语言Python，结合天勤量化平台的强大功能，我们的系统支持国内5大交易所、商品期货、金融期货（包括股指期货、国债期货），轻松实现期货量化交易。
我们深知期货市场的两大痛点：交易者往往缺乏编程技能，而程序员往往对市场运作了解不够。为此，我们提供免费代写服务，帮助您将想法变为现实，实现期货自动化交易，解放您的时间和双手。
私人定制期货量化策略，将为您带来以下显著优势：
1. 策略完全属于您，无认知盲区，易于理解。
2. 策略符合您的投资风格，避免与市场同流合污。
3. 个性化策略设计，提高实战有效性，避免策略同质化。
服务承诺：提供终身免费维护，确保您的交易系统持续稳定运行。
对于汇飞量化合作期货公司的客户，只要满足一定的交易手数，即可享受免费代写服务，市场价起的费用由此得到覆盖。策略完成后，可用于模拟盘交易、历史回测及实盘交易，同时享有终身免费维护（不包含新增功能）。
对于希望在其他期货公司开户的客户，我们提供有偿策略代写服务，费用根据策略复杂度而定。服务流程如下：
1. 提交策略文本。
2. 评估工作量并报价。
3. 预付%定金。
4. 技术人员开始编写代码，预计1-2周完成。
5. 提交策略供客户测试一周，免费修改，如需增加功能，根据工作量加收费用。
6. 完成后，客户支付剩余款项，获得源代码。
所有合作代写策略的客户，都将获赠一款价值元的趋势追踪量化交易系统，让您的交易策略更加全面、高效。
量化交易-vnpy_efinance-VeighNa框架数据服务接口
我们之前对vnpy_ctastrategy相关回测源码进行了解析：
回首凡尘不做仙：VNPY源码分析1-vnpy_ctastrategy-运行回测
回首凡尘不做仙：VNPY源码分析2-vnpy_ctastrategy-撮合成交
回首凡尘不做仙：VNPY源码分析3-vnpy_ctastrategy-计算策略统计指标
相关历史数据可以通过各类数据服务的适配器接口（datafeed）下载，目前vn.py支持以下接口：
然而，上述接口需要注册或付费才能获取数据。
为了帮助初学者更好地理解和学习量化交易以及vn.py框架，我开发了基于efinance数据接口的vn.py的datafeed。
开源地址为：github.com/hgy/vnpy...
编译安装：
下载源代码后，解压并在cmd中运行：
dist目录下vnpy_efinance-x.x.x-py3-none-any.whl包
使用：
安装完成后，在vn.py框架的trader目录中的setting.py中进行配置：
注意：此处只需配置datafeed.name，username和password无需配置。
配置完成后，可以通过以下示例进行调用：
同时，这里分享一个efinance数据下载及入库方法：
然而，efinance在获取分钟级别数据方面并不友好。对于需要获取分钟级别数据的初学者来说，我们可以使用天勤免费版的数据接口：
回首凡尘不做仙：量化交易-数据获取-vnpy_tqsdk免费版
C#/.NET量化交易3搭建定时任务，自动获取历史股票数据和当前数据
C#/.NET量化交易的第三部分主要涉及搭建定时任务，实现自动获取历史股票数据和实时数据的功能。首先，引入quartz库，它既用于定时任务的执行，也支持任务的监控。我们创建了一个基础通信配置类，便于与前端监控系统交流信息。
为自动化实时股价获取，设计了一个定时任务，它会在预设的时间点自动执行。此外，我们还设计了一个任务，用于定时获取历史股票数据，这对于分析股票走势和策略制定至关重要。为了保持程序后台持续运行，我们创建了一个Hosted服务，使其在程序启动后自动启动定时任务。
在程序启动时，监控界面会显示两个定时任务的执行计划，比如一个是年6月日9点分秒执行，另一个是9点分秒。我们通过模拟执行，验证了实时股票价格获取的正确性，然后手动触发历史数据获取任务，获取了股票近一个月的个交易日数据，便于进一步分析和策略制定。
以下是关键的定时任务代码片段，整个流程完成后，你可以通过我的公众号Dotnet Dancer获取完整的量化源码，回复量化开源即可获取开源项目链接。
